僵尸企业与产能利用率的动态演化——来自中国制造业企业的经验证据

乔小乐 宋 林 戴小勇

一、引 言

处置僵尸企业和化解过剩产能是我国目前亟须解决的问题，这一问题引发了各界的广泛关注。自20 世纪90 年代以来，中国先后经历了数次大规模的产能过剩，表现出长期性、普遍性、结构性和政策性等特征(黄信灶和赵波，2019；张林，2016)。为了治理产能过剩，政府部门制定了一系列政策措施①例如，2006 年国务院发布了《关于加快推进产能过剩行业结构调整的通知》；2008 年金融危机之后，我国政府为了抑制产能过剩，先后实施了诸如名单淘汰、取消差别电价优惠、惩罚性电价、暂停批复项目、提高准入门槛等一系列措施；2010 年国务院发布了《关于进一步加强淘汰落后产能工作的通知》；2013 年国务院印发了《关于化解产能严重过剩矛盾的指导意见》。，但政策实施效果并不尽如人意，产能过剩问题不但没有得到有效抑制，反而陷入“过剩、调控、再过剩、再调控”的怪圈(吴利学和刘诚，2018；张林，2016)。面对产能过剩的“久调未决”，近年来我国政府部门将处置僵尸企业作为化解产能过剩的重要抓手。2015 年底，国家发改委提出，要化解产能过剩必须让僵尸企业退出市场；2018 年国家发改委等六部委印发的《关于做好2018 年重点领域化解过剩产能工作的通知》强调，化解产能过剩要把处置僵尸企业作为重要抓手；2019 年工信部进一步提出，督促地方以处置僵尸企业为抓手，坚定不移去除低效产能。由此可见，僵尸企业的清理退出对于化解落后产能、实现产业结构转型升级以及经济健康发展具有重要的现实意义。

妥善处置僵尸企业作为化解过剩产能和推进供给侧改革的重要措施，在政策层面已经引起足够重视，但在学术研究方面，如何准确衡量僵尸企业退出对产能过剩的影响效果仍然存在难点。首先，不仅要关注僵尸企业自身产能利用率的高低，也要考察僵尸企业对正常企业产能利用率的影响。僵尸企业依靠外部力量占据有限的社会资源，而生产效率高、经营状况好的企业却难以获得，不公平的竞争阻碍了高效率企业的成长和扩张，很可能会抑制正常企业产能利用率的提升，从而加剧产能过剩。其次，僵尸企业对产能利用率的影响不仅局限于企业层面，还会通过影响企业间的资源再配置以及企业进入退出市场等效应，对行业加总产能利用率产生影响。如何定量评估僵尸企业退出对加总产能利用率的提升效果以及僵尸企业与正常企业间的资源再配置效应等，学术界尚需进一步探索。

目前，相关文献主要针对僵尸企业与产能过剩分别展开研究，而基于僵尸企业与产能过剩关系的研究尚少，尤其缺乏僵尸企业与产能利用率动态演化的研究。事实上，僵尸企业的存在是引发和恶化产能过剩问题的主要原因之一。一方面，僵尸企业得益于政府和信贷部门的优惠政策，拥有大量的生产要素，但由于生产效率低下和创新激励不足，僵尸企业的产量远低于其所形成的潜在产能。这些本应被淘汰的落后产能，在政府和金融部门的支持下留在了市场，从而出现了产能过剩。另一方面，在市场机制有效运行的情况下，社会资源会从低效率企业流向高效率企业，僵尸企业的存在破坏了市场资源配置机制，政府补贴、银行贷款等社会资源流向僵尸企业，这种资源错配阻碍了正常企业的生产经营，降低了正常企业产能利用率。因此，本文聚焦于僵尸企业与产能过剩的关系，探究僵尸企业对产能利用率有怎样的影响及其如何影响产能利用率以及处置僵尸企业能带来产能利用率多大程度的提升等问题。深入理解这些问题对于加快过剩产能的退出并推动中国经济可持续发展具有重要的参考意义。

基于此，本文利用1998—2013 年中国制造业企业数据，分析了中国制造业领域僵尸企业和产能利用率的演变趋势及分布特征，并检验了僵尸企业对产能利用率的影响。首先，通过识别僵尸企业以及测度企业产能利用率，剖析了中国制造业僵尸企业和产能利用率的演变趋势及分布特征，发现僵尸企业占比与企业产能利用率整体呈现反向变动趋势，并且僵尸企业和产能过剩的行业分布呈现一致性。其次，为了考察僵尸企业退出对产能利用率的影响，本文分别从企业和行业两个层面检验了僵尸企业退出的企业内效应与企业间效应。僵尸企业不仅自身产能利用率较低并对行业产能利用率产生直接负面影响，还可能间接影响正常企业的生产经营，比如引致企业间的资源错配，降低正常企业的产能利用率，从而拉低行业加总产能利用率水平。在检验僵尸企业退出对产能利用率的企业内效应时，本文基于直接效应和间接效应分别检验僵尸企业自身产能利用率的情况以及僵尸企业对正常企业产能利用率的影响，并且从企业所有制类型和要素密集度两个视角切入，进一步探究僵尸企业占比对正常企业产能利用率的异质性影响。在检验僵尸企业退出对产能利用率的企业间效应时，本文计算了行业加总的产能利用率，并对加总的产能利用率进行分解。通过行业加总层面的分解，检验了加总产能利用率的动态演化特征，分析了僵尸企业对正常企业间资源再配置和企业进入退出市场的影响以及僵尸企业与正常企业之间的要素配置效应，并且量化评估了僵尸企业退出对行业产能利用率的提升效果。

同现有研究相比，本文可能的贡献主要体现在三个方面:(1)关注僵尸企业影响产能利用率的微观渠道。现有文献往往分别聚焦于僵尸企业和产能过剩的识别、特征、形成原因以及影响效应等方面，缺乏僵尸企业与产能过剩之间关系的研究，而本文主要探讨僵尸企业影响产能利用率的微观渠道，有助于丰富现有僵尸企业和产能过剩的研究框架，为我国僵尸企业处置与过剩产能化解提供了一定的决策参考。(2)从企业和行业两个层面考察了僵尸企业影响产能利用率的企业内效应和企业间效应。现有关于产能利用率的测度大多基于行业层面展开，少数基于微观数据对产能过剩的研究也主要是基于企业层面展开检验，没有考虑到僵尸企业与正常企业之间、正常企业内部的资源重置作用对行业加总产能利用率的影响效果。(3)构建了企业产能利用率的加总与分解框架。本文借鉴Melitz 和Polanec(2015)对企业全要素生产率分解的逻辑，将企业产能利用率进行加总与分解，检验僵尸企业对正常企业间资源再配置和企业进入退出市场的影响，评估僵尸企业与正常企业之间的要素配置效应，并进一步量化僵尸企业退出对加总产能利用率的影响，为当前产能过剩以及资源配置效率的相关研究提供了有益的补充。

二、文献综述

（一）有关僵尸企业的研究

Caballero 等(2008)最早对“僵尸企业”的相关问题进行了深入分析，并引发了后续诸多研究。

首先，关于如何识别僵尸企业的研究。由Caballero 等(2008)提出的信贷补贴法(又称CHK 方法)是目前识别僵尸企业认可度最高的方法，在文献中得到了广泛的应用。一些学者基于CHK 识别方法做出了重要改进，Fukuda 和Nakamura(2011)、Hoshi和Kim(2013)引入了盈利能力(Profitability)和常青借贷(Evergreen Lending)两个重要标准(简称FN-CHK 标准)，以纠正僵尸企业的识别偏误。国内文献对于中国僵尸企业的识别大多基于上述识别方法，结合政府在我国僵尸企业问题中所扮演的角色，对僵尸企业的特征展开了详细的描述和总结(Dai 等，2019；聂辉华等，2016；张栋等，2016)。

其次，关于僵尸企业的形成原因及其影响效应。现有与之相关研究大多以日本的僵尸企业作为主要研究对象，而对于中国僵尸企业的形成，除了银行控制资产质量的共识外，国内关于僵尸企业成因的解释主要基于中国的政策和制度环境，指出政企合谋、银行信贷歧视、违背企业发展的比较优势等干预因素是中国僵尸企业的主要成因(聂辉华等，2016；申广军，2016)。此外，方明月等(2018)聚焦于中小民营企业，提出僵尸企业的传染效应，并指出一个地区的僵尸企业越多，中小民营企业成为僵尸企业的概率就越高。僵尸企业的影响效应近些年引起学者的广泛关注，然而文献大多停留在其他国家经验证据的讨论层面，少部分针对中国僵尸企业的负面效应展开研究，主要集中于僵尸企业对正常企业的投资挤出、税负扭曲以及创新能力的影响(李旭超等，2018；谭语嫣等，2017；王永钦等，2018)。同时，许江波和卿小权(2019)考察了僵尸企业对供应商的溢出效应，发现僵尸企业在僵尸化过程中所发布的包含困境信息的公告对供应商股价具有显著的负向影响。

（二）有关产能过剩的研究

产能利用率的测度是研究产能过剩问题的基础。目前，国内外文献对于产能利用率的测度方法并不统一，最直接的衡量方法是统计调查法，对企业定期进行大规模和高频率的实地调查所得到的数据也更为客观准确，但它对人力与物力的消耗也较大(Corrado 和Mattey，1997)。其他产能利用率的经典度量方法根据对潜在产出设定的不同而主要分为峰值法、生产前沿法和成本函数法。此外，一些学者在上述方法的基础上进行了改进。例如，Liu 和Yin(2017)将企业生产率异质性纳入到产能利用率的估计框架中，剔除了企业生产率差异带来的产能利用率的变化。余淼杰等(2018)基于资本折旧率和产能利用率的对应关系，对企业层面的产能利用率进行识别。

对于产能过剩成因的分析是学者们的另一研究重点，并且一度陷入“政府与市场之争”。国外文献主要从企业行为的角度来解释产能过剩的微观机制，据此提出了“平滑需求波动”理论，并将企业主动保留一定过剩产能的行为称为“窖藏现象”(Fay 和Medoff，1985)。因此，产能过剩被认为是市场经济中的一种自然现象。国内文献则更多地从特殊的发展阶段以及体制环境等非市场环境因素来论述我国产能过剩的成因。林毅夫(2007)基于“发展阶段论”，从发展中国家的后发优势角度解释了中国企业产能过剩的行为，指出发展中国家很容易对有前景的产业产生良好的社会共识，从而引发资金、企业大量涌入，即投资“潮涌”现象，最终导致产能过剩。“体制扭曲论”指出，在中国特定的政绩考核体制和官员晋升体制下，地方政府往往通过帮助企业获取金融资源和牺牲生态环境等手段吸引资本流入，这种对于投资的竞争性补贴严重扭曲了市场要素价格，扭曲了企业产能投资和竞争，最终导致产能过剩(张林，2016)。

基于产能过剩成因的分析，学者们提出了一系列化解产能过剩的措施，但并未达成一致意见。有学者认为，产能过剩是市场经济中的自然现象，市场自身调节便可以化解这一矛盾，并指出很少有西方发达国家出台专门的政策措施来化解产能过剩(左小蕾，2006)。然而，近年来的大多数研究指出，我国的产能过剩是多个因素综合作用的结果，既有市场经济本身的因素，也有经济转型时期机制不完善的因素，并有针对性地提出了政策建议(于斌斌和陈露，2019)

综上可知，现有文献为中国僵尸企业及产能过剩的相关研究提供了较为丰富的见解。事实上，中国现阶段产能过剩的一个突出特征就是产能过剩和僵尸企业同时出现，二者之间的关系密不可分。现有文献关于僵尸企业在产能过剩行业中占比较高的特征已经达成共识，而关于僵尸企业与产能利用率关系的研究大多集中于政策讨论以及理论分析层面。其主要可以分为两个方面:其一，关于僵尸企业与产能过剩的区别。张栋等(2016)基于僵尸企业界定的视角，指出僵尸企业的本质在于“吸血性”，那些处于产能过剩行业而不具有“吸血性”的企业不属于僵尸企业。李霄阳和瞿强(2017)则将我国僵尸企业划分为信贷补贴支持和经营不善两类，其中经营不善类僵尸企业主要集中于产能过剩行业。其二，关于僵尸企业与产能过剩的关系。朱鹤和何帆(2016)对僵尸企业与产能过剩的关系展开辨析，基于逻辑推导指出僵尸企业能够导致并恶化产能过剩，甚至两者还会形成恶性循环。何帆和朱鹤(2016)在分析僵尸企业的危害时指出，当市场需求减少时，效率低下的僵尸企业却没有被淘汰，本该减少的产能没有减少，最终加剧了产能过剩。张璇和李金洋(2019)在研究僵尸企业的退出行为时指出，僵尸企业是产能过剩存在的供给侧根源，只有僵尸企业得到有效处置，才能消除过剩产能。

由此可见，目前将僵尸企业与产能利用率纳入同一框架并聚焦于僵尸企业如何影响产能利用率的经验研究仍较为少见。与本文密切相关的研究是Shen 和Chen(2017)的研究。他们以中国制造业企业为研究对象，从企业层面对比了僵尸企业与正常企业产能利用率的差异，探究了僵尸企业对正常企业产能利用率的影响及微观作用机制，这为我们深入理解僵尸企业与产能过剩的关系提供了有力的经验证据。然而，对于僵尸企业所引起的企业间资源错配效应以及僵尸企业退出所能带来的行业整体产能利用率的提升情况仍有待探索。鉴于此，本文基于中国制造业企业大样本数据，从企业和行业两个层面考察僵尸企业对产能利用率影响的企业内效应和企业间效应，并量化僵尸企业退出对行业加总产能利用率的影响，以期为僵尸企业的影响以及过剩产能的化解提供经验证据。

三、僵尸企业识别与产能利用率测度框架

（一）僵尸企业的识别

国内关于僵尸企业的识别方法主要基于FN-CHK 标准(Fukuda 和Nakamura，2011)，并对其进行一定的改进。综合来看，各类方法都是在实践中不断探索得到的，各有侧重点和不足之处，但基本上都抓住了僵尸企业在低盈利能力下获得持续信贷补贴和政府补贴的本质特征。基于此，本文尝试在FN-CHK 标准的基础上对僵尸企业展开识别，具体步骤如下。

第一步:基于CHK 标准对僵尸企业进行初步识别。具体而言，基于CHK 标准推算企业在市场条件下可以获得的最低应付利息①借鉴Caballero 等(2008)，将企业最低应付利息定义为:= rst- 1B Si t- 1+BLi t-1，其中 BSit和 BLi t分别表示企业i 在t 年末的短期负债和长期负债；r st和 rlt分别表示在t 年短期和长期最优利率。，依据企业实际支付利息 Rit和最低应付利息，计算企业所获得的信贷补贴:Xit= (- Rit)/Bit。如果企业所获得的信贷补贴 Xit＞ 0 ，那么被定义为僵尸企业；否则为正常企业。

第二步:剔除过度识别的僵尸企业。根据企业盈利能力，对息税前利润为正的企业进行剔除。息税前利润用利润总额和利息支出之和表示，当息税前利润为正时，可以认为企业具有偿还银行债务的能力，因而将这类企业重新认定为正常企业。

第三步:“漏网之鱼”的重新识别。基于上述僵尸企业的认定标准，进一步考察非僵尸企业是否在杠杆率高企和盈利能力低下的情况下还能获得银行的持续信贷，从而对僵尸企业进行修正认定。具体而言，对于同时满足以下三个条件的非僵尸企业，将其重新认定为僵尸企业，即:(1)在t-1 年的实际利润(扣除政府补贴后的企业利润)为负；(2)在t-1 年资产负债率大于50%；(3)第t 年的债务融资规模有所增加②感谢匿名审稿专家提出的宝贵建议。本文尝试了不同的资产负债率临界值对僵尸企业进行识别，并将连续2年、3 年、4 年以及5 年均符合条件的企业认定为僵尸企业，最终识别结果均保持一致，表明本文结论的稳健性可靠。限于篇幅，识别结果未在正文中列出，留存备索。。

此外，本文另外采用过度借债法(EL)③本文借鉴申广军(2016)的做法，通过EL 法来识别僵尸企业作为替代指标。同样，更换了不同的资产负债率临界值，并将连续2 年、3 年、4 年以及5 年均符合条件的企业认定为僵尸企业，最终识别结果保持稳健。进行稳健性检验，以增强文章结果的可 靠性。

（二）产能利用率的测度

本文借鉴Liu 和Yin(2017)的研究成果，依据成本函数法的测量思路，将企业生产率异质性纳入到产能利用率的估计框架中，以剔除由于企业生产率差异所带来的产能利用率的变化。设定企业生产函数为Cobb-Douglas 生产函数形式，短期内投入决策可

以由以下优化方程组表示:

其中，Yit表示企业产出，Lit、Kit和 Mit分别表示劳动、资本以及中间产品投入。Ait代表企业的全要素生产率(TFP)，能够同时提升各种生产要素的边际产出水平。假定资本( Kit)作为企业唯一的准固定投入，wit和 ptM分别表示企业工资水平和中间投入品价格水平。设定 VCit为企业短期可变成本函数，那么短期平均成本可以表示为:

最后，得到企业产能利用率:c uit=Yit/。

（三）僵尸企业退出与产能利用率

1. 产能利用率的加总

目前，大部分学者基于宏观和行业数据直接对产能利用率展开测度，以反映我国各行业产能利用率的整体水平。在现实经济中，企业作为基本决策单元，行业层面的直接测度会忽视企业异质性引起的产能利用率变化，故需要从企业层面来理解宏观加总的产能利用率。借鉴相关文献的普遍做法，将加总的产能利用率定义为企业产能利用率的加权平均:

其中，i ∈ A 表示t 时期所有的制造业企业；sit( A) 表示企业i 在t 时期的市场份额；itcu 即为企业层面产能利用率。显然，该加总方法可以运用到不同类型企业，计算一类企业的加总产能利用率。依据前文对僵尸企业的识别结果，将全样本划分为僵尸企业(Z)和正常企业(H)。那么，处置僵尸企业使加总产能利用率提高:

2. 产能利用率的分解

对产能利用率进行分解，可以更好地理解产能利用率变动的原因。遵循Melitz 和Polanec(2015)对全要素生产率分解的逻辑，可以将加总产能利用率的变化分解为: 产能利用率。可见，产能利用率的变化被分解为四部分:Δ c uSt表示在位企业平均产能利用率的变化；ΔC ovSt表示在位企业间由于资源优化配置带来的产能利用率变化；sEt(c uEt-cuSt)则表示由于新企业进入带来的产能利用率的变动，即企业进入效应；sXt-1(cuSt-1- cuXt-1) 表示由于企业退出所带来的产能利用率的变动，即企业退出效应。

3. 僵尸企业与产能利用率分解

僵尸企业不仅自身产能利用率低下，还通过降低资源配置效率而降低行业整体或经济体的整体产能利用率水平。为了深入探究僵尸企业对产能利用率的影响，本文将加总产能利用率在两类企业之间进行分解。其具体分解如下:

四、僵尸企业与产能利用率的测算结果及演变特征

（一）数据处理

本文使用的数据主要来源于1998—2013 年的中国工业企业数据库，该数据库包含了全国国有工业企业以及规模以上非国有工业企业，具有样本容量大、指标全面以及时间跨度长等优点，但同时也存在数据缺失、指标大小异常以及变量定义模糊等问题(聂辉华等，2012)。为了保证模型估计的有效性，本文在Brandt 等(2012)的研究基础上对数据进行以下处理:一方面，清洗原始数据，剔除关键指标缺失以及明显不符合会计原则的观测值；另一方面，处理相关变量，包括计算实际资本存量和估算中间投入以及调整名义变量①对于实际资本存量的计算，假设每年折旧率为9%，运用永续盘存法(PIM)，基于初始年份资本存量和投资额计算企业实际资本存量；对于中间投入的估算，按照2007 年的中间投入比例外推计算2008—2013 年制造业企业的中间投入数据。。此外，由于数据库中的2010 年数据存在大量异常值，本文将该年度数据全部剔除。这样，最终得到809860 家制造业企业和3102690 个观测值。

（二）僵尸企业与产能利用率的测算结果

图1 刻画了1998—2013 年期间中国制造业领域僵尸企业占比及产能利用率的演变趋势②本文识别僵尸企业需要用到前一期的相关信息，因而无法对2011 年的僵尸企业展开识别。为了直观显示产能利用率与僵尸企业的整体变动趋势，2011 年僵尸企业占比由2009 年和2012 的数据平滑得到。。可以发现，僵尸企业占比与产能利用率呈反向变动关系。1999—2008 年期间，僵尸企业占比在波动中呈现下降趋势。1999 年僵尸企业数目占比为18.89%，资产占比和负债占比分别为20.36%和26.15%，到2008 年，僵尸企业数目占比下降到5.1%，资产占比和负债占比也分别下降到5.21%和7.21%。金融危机之后，僵尸企业占比开始回升，其中僵尸企业数目占比在2009 年出现小幅上升后基本保持稳定，而资产占比和负债占比却出现显著反弹，到2013 年僵尸企业资产占比为11.47%，而负债占比则高达15.57%。相对应，1998—2008 年期间，企业产能利用率呈现整体上升趋势，从1998 年的0.62 上升到2008 年的0.93。随后，产能利用率在2009 年出现短暂上升后便进入一个快速下降过程，产能过剩问题逐步显现。

可见，1998—2013 年期间，中国制造业企业产能过剩和僵尸企业问题的演变趋势保持一致。特别地，2011—2013 年僵尸企业资产和负债占比较高，吸纳了更多的资本以及信贷资源，却不能转化为有效产能。与此同时，制造业企业产能利用率呈现下降趋势。这些都充分体现了我国处置僵尸企业和推动化解过剩产能的重要性。

（三）僵尸企业与产能利用率的行业分布

由1998—2013 年中国制造业企业产能利用率和僵尸企业占比的行业分布情况①限于篇幅，1998—2013 年制造业企业产能利用率和僵尸企业占比的行业分布情况未列出，留存备索。可以发现僵尸企业占比较高的行业也是产能过剩严重的领域。具体而言，重化工行业是僵尸企业的重灾区，例如化学纤维制造业和石油化工、炼焦及核燃料加工业，这两个行业僵尸企业占比最高，分别为12.24%和12.11%，其产能利用率分别为0.68 和0.77，为整个制造业行业最低水平。此外，劳动密集型企业也出现了较多的僵尸企业，例如造纸和纸制品业僵尸企业占比为9.21%，居于前列，其产能利用率也仅为0.78，属于产能过剩行业。

五、僵尸企业与产能利用率企业层面的实证检验

（一）模型设定

对于僵尸企业与产能利用率的企业层面检验，本文主要聚焦于两个方面:首先，通过比较僵尸企业和正常企业产能利用率的高低，检验僵尸企业对产能利用率影响的直接效应；其次，通过分析“城市-行业”僵尸企业占比对正常企业产能利用率的影响，检验僵尸企业对产能利用率影响的间接效应。为了验证上述两种效应，分别设定计量模型如下:

其中，下标i 表示企业，j 表示行业，c 表示地级市，t 表示年份。模型(9)用于检验直接效应，被解释变量 ijctcu 为所有制造业企业的产能利用率，核心解释变量Zombie _ dumijct为僵尸企业虚拟变量，β 的符号则反映了相对于正常企业僵尸企业是否具有更低的产能利用率。模型(10)用于检验间接效应，被解释变量 cu _ hijct为正常企业产能利用率，核心解释变量 Zombie _ ratiojct为“城市-行业”层面僵尸企业资产占比，θ 刻画了僵尸企业占比对正常企业产能利用率的影响。ui和 ft分别代表个体和时间固定效应，εit为随机扰动项。

此外，上述两模型中，控制变量 Zicjt包含了影响企业产能利用率的企业层面、行业层面和城市层面变量。具体而言，在企业层面，基于“体制扭曲假说”，引入企业获得的政府补贴(Subsidy)和信贷补贴(Bank)作为体制扭曲的代理变量，控制其对企业产能利用率的影响。另外，借鉴相关研究成果(马红旗等，2018)引入沉没成本(Sunk_Cost)、可变成本(VCR)、企业规模(Size)、企业年龄(Age)以及企业债务规模(Debt)等变量，控制企业属性对产能利用率的影响。在行业及城市层面，借鉴以往研究成果(董敏杰等，2015；韩国高等，2011)，引入行业集中度(HHI)、国有企业比重(SOE_share)、对外开放程度(Open)、经济发展程度(GDP)等指标，控制行业及城市特征对产能利用率的影响。此外，还引入各省份市场化进程指数(Market)，控制地区市场化程度的影响①各控制变量的计算方法如下:Subsidy＝(政府补贴/企业销售收入)∗100%；实际利息支出＜最低应付利息则Bank＝1，否则Bank＝0；Size＝ln(资产总额)；Sunk_Cost＝固定资产净值/工业总产值；VCR＝(中间投入+工资)/销售成本；Age＝ln(企业年龄)；Debt＝负债合计/资产合计；SOE_share＝“城市-行业”层面国有企业占比；HHI＝行业赫芬达尔指数；Open＝城市外商投资额/GDP；GDP＝ln(城市人均GDP)；Market＝樊纲和王小鲁“中国各地区市场化进程相对指数”。限于篇幅，各变量描述性统计未列出，留存备索。。

（二）基准回归结果

企业层面僵尸企业与产能利用率的实证检验结果如表1 所示。其中，Panel A 基于全样本检验了僵尸企业与产能利用率之间的关系，Panel B 则基于正常企业样本检验了僵尸企业占比对正常企业产能利用率的影响。回归(1)和回归(4)控制了企业固定效应(Firm FE)和年份固定效应(Year FE)，回归(2)和回归(5)进一步控制了城市∗年份固定效应(City∗Year FE)、行业∗年份固定效应(Industry∗Year FE)以排除因时间而异的城市和行业层面遗漏变量所带来的估计偏误②需要指出的是，由于城市∗年份固定效应(City ∗Year FE)、行业∗年份固定效应(Industry ∗Year FE)与原模型中所包含的地区层面、行业层面随时间变化的控制变量(HHI、Open、GDP 以及Market)存在共线性，因而作者在相应的回归中去掉了地区层面和行业层面随时间变化的控制变量。。回归(3)和回归(6)为基于EL 识别法的稳健性检验结果。

Panel A 结果显示，僵尸企业的产能利用率要显著低于正常企业。以回归(2)为例，Zombie_dum 的估子计系数为-0.0981，并且在1%水平下显著，表明控制其他影响因素不变，僵尸企业的产能利用率比正常企业平均低9.81 个百分点。相比于正常企业，僵尸企业自身产能利用率低下，拥有大量落后产能，在有效的市场机制中，这些低效率的僵尸企业会被“淘汰出局”。然而，僵尸企业凭借外部资金支持继续存活于市场，其相应的生产能力也持续存在，形成了落后产能。随着市场上僵尸企业数目的增加，过剩产能也会不断积累，拉低了整个行业的产能利用率水平③感谢匿名审稿专家提出的宝贵意见。模型(9)可能会由于僵尸企业与产能利用率之间的互为因果关系而产生内生性，使得该模型无法识别因果关系而表明的是二者之间的相关关系。实际上，本文试图通过模型(9)来检验僵尸企业是否拥有较低的产能利用率，以此来说明:僵尸企业拥有大量落后产能却不能有效退出市场，从而直接恶化了行业产能过剩。这并非强调二者之间的因果关系。此外，后文通过对行业产能利用率进行分解，进一步探究了僵尸企业引起产能利用率变动的原因。行业产能利用率的分解结果并不存在潜在的内生性问题，同时也印证了此处的回归结果。。

表1 僵尸企业与产能利用率——企业层面检验结果

Panel B 结果显示，僵尸企业占比越高的行业和城市，正常企业的产能利用率越低，僵尸企业降低了正常企业的产能利用率。以回归(5)为例，Zombie_ratio 的估计系数为-0.0117，并且在1%水平下显著，表明“城市-行业”僵尸企业占比每增加1%，正常企业产能利用率平均下降1.17%。僵尸企业依靠外界“输血”维持生存，劳动力和资本等有限的社会资源流向僵尸企业，破坏了市场资源配置机制，正常企业的生产扩张行为受到阻碍而不得不减少产量以适应不公平的市场竞争环境。这样最终导致正常企业的产能利用率降低，进而对整个行业产能利用率产生负面影响。

此外，列(3)和列(6)的回归结果均表明，替换僵尸企业识别方法后，上述结论仍保持不变，具有稳健性。

（三）异质性分析

为了进一步探究僵尸企业占比对正常企业产能利用率的异质性影响，本文从企业所有制类型和要素密集度两个视角切入①对于所有权类型的划分，本文借鉴杨汝岱(2015)对企业所有制的识别方法，将企业分为民营企业、国有企业和中国港澳台及外商企业三类。此外，出于稳健性的考虑，本文还参考了Hsieh 和Song(2015)和聂辉华等(2016)的划分方法，最终结果保持一致。对于要素密集度的划分，基于毛日昇(2009)的划分逻辑，依据人均资本把企业分为劳动密集型、资本密集型和技术密集型三大类。，考察僵尸企业对正常企业产能利用率影响的横截面差异。

表2 的Panel A 汇报了基于正常企业所有制类型的异质性检验结果，发现相比于国有企业和中国港澳台企业及外商企业，僵尸企业对民营企业产能利用率的负向影响最大。具体而言，列(1)～列(3)是分别将正常企业按照所有制类型划分为国有企业、民营企业和中国港澳台企业及外商企业三个子样本的分样本回归结果；列(4)则是基于全部正常企业样本并加入民营企业虚拟变量、中国港澳台企业及外商企业虚拟变量以及二者与僵尸企业占比交互项后的回归结果。由列(4)可以发现，Zombie_ratio 和Zombie_ratio∗Private 的回归系数显著为负，而Zombie_ratio∗Foreign 的回归系数显著为正，表明僵尸企业对正常企业中民营企业产能利用率的危害最大，对国有企业产能利用率的危害次之，对中国港澳台企业及外商企业产能利用率的危害最小。具体而言，“城市-行业”僵尸企业占比每提高1 个百分点，正常企业中的国有企业产能利用率降低1.13%，民营企业降低1.44%(0.0113+0.0031)，中国港澳台企业及外商企业降低0.19%(0.0113-0.0094)。

表2 的Panel B 为基于正常企业要素依赖类型的异质性检验结果，发现僵尸企业对正常企业产能利用率的影响主要体现在劳动密集型和资本密集型企业中，对技术密集型企业产能利用率的影响较小。列(1)～列(3)将全部正常企业划分为劳动密集型、资本密集型和技术密集型三个子样本进行分样本回归；列(4)则基于全部正常企业样本引入了表征企业要素依赖程度的虚拟变量及其与僵尸企业占比的交互项进行混 合样本回归。列(4)估计结果显示，Zombie_ratio 的回归系数为-0.0065，并且在1% 水平上显著，Zombie_ratio ∗Labor 和Zombie_ratio ∗Asset 的回归系数分别为-0.0141和-0.0105，均在1%水平上显著。这表明“城市-行业”僵尸企业占比每提高1 个百分点，正常企业中的技术密集型企业产能利用率降低0.65%，资本密集型企业降低1.7%(0.0065+0.0105)，劳动密集型企业降低2.06%(0.0065+0.0141)。这意味着，僵尸企业对劳动密集型企业产能利用率的抑制作用高于资本密集型企业，对技术密集型企业产能利用率的负向影响最小。

表2 僵尸企业占比对正常企业产能利用率的异质性影响

综上，可以归纳两方面重要结论:一方面，僵尸企业的存在对民营企业的产能利用率负面影响更大。相比于国有企业，民营企业在资源获取方面更难，尤其是对于信贷资金的获取，民营企业大多采取互相担保的融资方式，企业之间在资金和业务上往来密切。因此，一个地区僵尸企业越多，不仅阻碍资源流向正常企业，还会影响与僵尸企业有业务和资金往来的正常民营企业，从而降低正常企业的产能利用率，甚至将其“传染”为僵尸企业(方明月等，2018)。另一方面，僵尸企业对技术密集型企业产能利用率的抑制作用较小，主要降低了劳动密集型企业和资本密集型企业的产能利用率。僵尸企业自身并无盈利能力，却占据大量资金、劳动力、土地等有限的生产要素，直接挤出了正常企业的投资和劳动力增长，对劳动密集型以及资本密集型企业的正常生产经营、扩张活动产生严重影响，抑制正常企业产能利用率的提升。对于技术密集型企业而言，技术知识所占比重较大，对人力资本要求较高，这些都需要长期持续的积累。此外，僵尸企业往往吸纳的是技术水平较低的劳动力，与技术密集型企业的劳动需求不太相符，并且僵尸企业对资金的占用在短期内对技术密集型企业的影响也较为有限，最终表现为僵尸企业对技术密集型企业产能利用率的负向影响较小。

六、僵尸企业与产能利用率行业加总层面的分解

在行业加总层面，通过对制造业企业产能利用率进行加总与分解，深入探究僵尸企业引起产能利用率变动的原因，并衡量僵尸企业退出对加总产能利用率的贡献度。

具体而言，一是基于产能利用率的动态分解法将整个制造业企业产能利用率的变化分解为企业平均产能利用率变化、企业间要素再配置以及企业进入与退出效应，从而把握整个样本区间内产能利用率的动态演化特征及其变动原因；二是基于正常企业样本对企业产能利用率进行组内动态分解，探究僵尸企业的存在对正常企业产能利用率的动态演变有何影响以及通过哪些渠道产生，然后将僵尸企业和正常企业分别看作一个整体对产能利用率进行组间分解，分离僵尸企业与正常企业间的要素再配置效应，检验其对加总产能利用率有何影响；三是通过测度僵尸企业退出所带来的产能利用率的变化情况，从整体上评估僵尸企业的清理退出对产能利用率的贡献。行业加总层面的分解结果如表3 所示①此外，替换EL 识别法的加总与分解结果在符号方向以及大小关系上均未发生显著变化，验证了本文结论的稳健性，留存备索。。

基于总样本的动态分解结果表明:企业产能利用率变化、企业间要素配置以及企业进入与退出均不同程度地促进了加总产能利用率的提高。其中，企业平均产能利用率变化起主导作用，企业退出效应对加总产能利用率的负向影响呈上升趋势。例如，2012—2013 年制造业行业加总产能利用率平均下降了2.023%，其中1.771%来源于企业产能利用率的下降，0.246%来源于企业间要素配置效率的降低，0.006%来源于企业进入与退出。这表明中国制造业加总产能利用率的变化主要由企业自身产能利用率水平决定，可能并没有伴随着企业间要素配置效率的显著变化。就企业退出效应而言，2000—2013 年企业退出效应均为负，绝对值大小呈现上升趋势。这说明中国制造业企业退出机制存在严重扭曲，产能利用率较高的企业退出市场，降低了加总产能利用率。

正常企业组内分解结果显示:正常企业加总产能利用率与僵尸企业占比的变动趋势密切相关，僵尸企业的增加不仅降低了正常企业的平均产能利用率，还迫使高效率的正常企业退出市场，导致“逆淘汰”现象。具体而言，2000—2008 年随着僵尸企业占比的下降，正常企业加总产能利用率的变化为正，产能利用率呈上升趋势；而2012—2013 年，随着僵尸企业占比的回升，正常企业加总产能利用率下降了2.229%，其中1.47%归咎于正常企业产能利用率的下降，0.564%来源于企业间要素配置效率的降低，0.195%来源于企业进入退出效应。这表明僵尸企业主要降低了正常企业的平均产能利用率，而对正常企业间的资源再配置作用很小。对于企业进入退出效应而言，在2012—2013 年正常企业进入效应为3.163%，退出效应为-3.358%，企业进入退出净效应为-0.195%。这意味着僵尸企业占比的上升压缩了正常企业的生存空间，破坏了正常企业的进入退出机制，使产能利用率较高的正常企业不得不退出市场，不利于正常企业加总产能利用率的提升。

表3 僵尸企业与产能利用率行业加总层面分解结果

组间分解结果表明:僵尸企业与正常企业之间要素资源的错配是导致行业加总产能利用率下降的重要原因。2008 年之前，产能利用率的提升主要来源于组内平均产能利用率的提升，僵尸企业与正常企业间的资源再配置对加总产能利用率的贡献较小，甚至在一些年份为负值。然而，在2012—2013 年伴随着僵尸企业占比的上升，加总产能利用率下降2.023%，其中1.196%来源于资源在僵尸企业和正常企业之间的错配，0.821%来源于两类企业平均产能利用率的变动。这意味着僵尸企业数目的增加严重扭曲了要素市场的资源配置，限制了更多资源流向高效率企业，僵尸企业与正常企业之间的要素错配加剧了行业产能过剩。

僵尸企业退出带来的产能利用率提高的估计结果表明:僵尸企业的清理退出确实可以提高加总产能利用率，并且随着僵尸企业占比的回升，僵尸企业退出对加总产能利用率的贡献程度也随之增加。具体而言，2000—2003 年期间，僵尸企业退出可以带来2.596%加总产能利用率的提升；2008—2009 年期间，随着僵尸企业占比的下降，僵尸企业退出对加总产能利用率的提升程度为1.422%，呈现递减趋势。到2012—2013年期间，随着僵尸企业占比的回升，僵尸企业退出对加总产能利用率的贡献程度也随之增加，为1.521%。这说明制造业僵尸企业的不断增加，是行业整体产能利用率下滑的重要原因，处置僵尸企业可以有效化解过剩产能。

综上可以归纳出如下结论:首先，要素资源在僵尸企业与正常企业之间的错配，降低了正常企业的产能利用率，加剧了行业产能过剩。僵尸企业依靠外界“输血”而存活，低效占用有限的生产资源，阻碍要素资源流向高效率企业，导致正常企业面临更强的资源约束，抑制正常企业产能利用率的提升，降低行业加总产能利用率。其次，僵尸企业破坏了市场经济“创造性毁灭”的实现途径。僵尸企业受到地方政府以及金融机构的支持，往往占有大量的生产资源，一方面提高了新企业的进入门槛，只有产能利用率更高的企业才能突破“进入壁垒”，从而产生“选择效应”；另一方面挤占了正常企业的生存空间，导致产能利用率较高的正常企业退出市场，从而产生“逆淘汰”现象，降低整体产能利用率。随着僵尸企业占比的上升，“退出效应”对产能利用率的危害大于“选择效应”对产能利用率的贡献，最终使加总产能利用率表现为负向影响。最后，僵尸企业的清理退出可以有效化解过剩产能。它不仅可以直接淘汰落后产能，还可以释放要素资源给高效率企业，为正常企业提供充足的发展空间，进而提高行业加总产能利用率。

七、研究结论及政策启示

本文基于1998—2013 年中国制造业企业数据，在测度企业产能利用率以及识别僵尸企业的基础上，分析了中国制造业僵尸企业和产能利用率的演变趋势及分布特征，并从企业和行业两个层面检验了僵尸企业影响产能利用率的微观渠道。

企业层面的检验发现:僵尸企业不仅自身产能利用率较低，还阻碍了正常企业的生产经营活动，降低正常企业的产能利用率；相比于正常企业中的国有企业，僵尸企业对民营企业产能利用率的危害更大；相比于正常企业中的技术密集型企业，僵尸企业主要降低了劳动密集型企业和资本密集型企业的产能利用率。行业层面的检验结果发现:企业平均产能利用率变化对行业加总产能利用率起主导作用，企业退出效应对加总产能利用率的负向影响呈上升趋势；僵尸企业的增加不仅降低了正常企业的平均产能利用率，还破坏了正常企业的退出机制，迫使高效率的正常企业退出市场，导致“逆淘汰”现象；相比于组内平均产能利用率的变化，僵尸企业与正常企业之间要素配置效率的降低，对加总产能利用率的负向影响更大；僵尸企业的退出可以显著提高行业加总产能利用率。

本文的政策启示在于:一方面，持续推动僵尸企业的清理退出，将其作为化解过剩产能的重点任务。本文研究表明，僵尸企业与产能过剩并非是两个独立的问题，僵尸企业是产能过剩的供给侧根源，而产能过剩是僵尸企业的市场表现。加强对僵尸企业的处置，破除无效供给，释放被低效占用的要素资源，才能有效化解过剩产能。另一方面，处理好政府与市场的关系，充分发挥要素资源配置的有效性。本文发现，僵尸企业对要素资源的低效占用，增加了正常企业资源获取的难度，严重扭曲了市场资源配置，甚至迫使高效率企业退出市场，加剧行业产能过剩。因此，要有效遏制政府出于对地方业绩考虑而盲目为僵尸企业“输血”的行为，促进市场公平竞争，有效发挥市场机制的优胜劣汰作用。